对比文件名称：US2011222724A1_Description_20260221_0613
目标专利名称：189照片管理CN106104577B
本次调用的模型名称：GPT-4
### 特征比对表格
| 技术特征描述以及公开性判断结果 | 对比文件原文引用 | 公开性论述 |
| **技术特征A**：包括：用第一预先训练的分类器来确定多个所存储图像的特征，《直接公开》 | 段落[0014]-[0015]：“Convolutional neural networks are a class of deep learning approaches in which multiple stages of learned feature extractors are applied directly to the raw input images... CNN models are appealing since the design of hand-crafted features are avoided... The systems learn separate CNN models for gender, female age, and male age.” 段落[0021]：“The Baseline neural network function can be represented by y=F(X,Ω0 ), where X is the input, i.e., the raw image patch of a face, where Ω0 denotes the parameters of the original pre-trained CNN model, and the y is the output, for example the age, or the gender...” | 对比文件明确公开了使用预先训练的卷积神经网络（CNN）模型（即第一预先训练的分类器）来处理输入的人脸图像，以确定其特征（用于输出性别或年龄）。在对比文件中，该预先训练的CNN模型被称为“Baseline CNN models”（段落[0020]），其作用是从输入图像中提取特征以进行属性（性别、年龄）识别。这与目标专利中“用第一预先训练的分类器来确定多个所存储图像的特征”的技术特征相同，都是利用预先训练的模型进行特征提取。因此，本领域技术人员能够毫无疑义地从对比文件得出该技术方案。 |
| **技术特征B**：所述多个所存储图像的特征不同于用于训练所述第一预先训练的分类器的多个训练图像，《隐含公开》 | 段落[0003]：“...when being deployed to real-world scenarios, these systems are often confronted by the model mismatch issue, that is, the performance degradation originated from the fact that training data can hardly cover the large variations in reality due to different illumination conditions, image quality, and noise, etc.” 段落[0028]：“The strength of the correspondence driven incremental learning originates from the capability to address the mismatch problem due to the factors such as lighting conditions, view angels, and image quality or noise levels in the deployment environments, which may hardly be exactly the same as those in the training set.” | 对比文件明确指出，在部署场景中，系统会遇到“模型不匹配”问题，因为现实中的图像数据（光照、角度、质量等）可能与训练集数据存在很大差异。为了解决此问题，对比文件引入了增量学习，利用部署环境中收集的新图像数据来更新模型。这隐含了部署时处理的“所存储图像”（即新视频帧中的人脸）其特征分布与原始训练图像不同。本领域技术人员可以合理推断，为了进行增量学习以适应新环境，所处理的图像其特征必然与原始训练图像存在差异，否则无需进行模型更新。因此，该特征被隐含公开。 |
| **技术特征C**：至少部分地基于所确定的特征来将所述多个所存储图像中的每一个图像指派给多个群集中的群集，《未公开》 | 无相关内容。 | 对比文件的核心在于使用CNN模型进行性别和年龄的回归或分类估计，并利用跟踪得到的对应关系进行增量学习以提升模型一致性。全文未提及将图像基于其特征“分群集”或“指派给群集”的概念。目标专利中的“分群集”（如k-means）是一种无监督学习方法，用于将图像分组，而对比文件中的“对应关系”（correspondence）是由视觉跟踪技术确定的同一人在连续视频帧中的轨迹，其作用是作为弱监督信号用于模型训练，而非用于将图像指派到不同的语义或特征群集中。二者目的和技术手段均不相同。因此，该特征未被公开。 |
| **技术特征D**：基于所述图像离对应于所述图像的最接近的群集中心的距离小于第一阈值、与所述最接近的群集中心相关联的预定义图像数目小于第二阈值、和/或与最接近的群集中心相关联的图像百分比小于第三阈值来向所述多个所存储图像中的图像指派标记，《未公开》 | 无相关内容。 | 对比文件中图像的“标记”（如性别、年龄）是通过训练好的CNN模型直接预测得到的（见段落[0021]），或者是在增量学习中作为“伪标签”计算得到的（段落[0024]）。没有任何内容涉及基于图像到“群集中心”的距离、数目或百分比等阈值条件来指派标记。该特征涉及目标专利中特有的基于分群集结果的标记指派逻辑，在对比文件中没有对应或可合理推断的基础。因此，该特征未被公开。 |
| **技术特征E**：修改所指派的标记，《隐含公开》 | 段落[0020]：“During processing a new video, the aligned faces and their correspondences given by visual tracking are stored as additional data which are used to update the Baseline CNN models periodically. Then, the updated CNN models are applied to new test videos.” 段落[0022]-[0024]：描述了通过增量学习更新模型参数Ω的过程，目的是使模型对同一轨迹上的人脸输出更一致的预测。 | 对比文件通过增量学习更新CNN模型（见公式(4)及对应描述），更新后的模型（F(X, Ω)）会对输入图像产生新的预测输出（y）。对于同一幅输入图像，模型更新前后其预测的标记（如年龄估计值、性别概率）可能会发生变化。这种通过更新模型来改变对图像预测结果的过程，可以理解为一种对图像“所指派的标记”的修改。虽然对比文件未明确使用“修改标记”的表述，但本领域技术人员能够从“更新模型以产生新的、更一致的预测”这一过程中，合理推断出图像对应的预测标记（模型的输出）被修改了。因此，该特征被隐含公开。 |
| **技术特征F**：当所述所指派的标记被修改时用所述图像来重新训练所述第一预先训练的分类器，《直接公开》 | 段落[0020]：“...the aligned faces and their correspondences... are used to update the Baseline CNN models periodically.” 段落[0022]-[0024]：详细阐述了使用额外数据（S）和对应关系（T(X)）通过随机梯度下降（公式(4)）来增量训练（即重新训练）CNN模型（Ω）的数学过程和具体步骤。 | 对比文件明确公开了使用新收集的图像数据（对应关系跟踪得到的人脸）对预先训练的基线CNN模型（即第一预先训练的分类器）进行更新（更新即重新训练）。这个过程是在处理新视频时周期性地进行的。其技术手段就是利用新图像数据通过反向传播来重新训练模型。这与目标专利中“当所指派的标记被修改时用所述图像来重新训练所述第一预先训练的分类器”在核心动作上完全一致，都是利用（可能导致标记修改的）图像数据对分类器进行再训练。因此，本领域技术人员能够毫无疑义地从对比文件得出该技术方案。 |
| **技术特征G**：以及至少部分地基于所述预先训练的分类器来对所述图像重新分类。《直接公开》 | 段落[0020]：“Then, the updated CNN models are applied to new test videos.” | 对比文件明确说明，更新后的CNN模型会被应用于新的测试视频。这意味着，对于后续输入的图像（包括可能用于训练的部分图像），系统将使用经过重新训练的模型（即更新后的“预先训练的分类器”）进行识别分类（性别/年龄估计）。这直接对应于“基于所述预先训练的分类器来对所述图像重新分类”。因此，该特征被直接公开。 |
| **技术特征H**：其特征在于，所述第一预先训练的分类器是支持向量机器(SVM)、逻辑回归、最接近的邻居、或多层感知器(MLP)。《未公开》 | 段落[0014]-[0015]：“Convolutional neural networks are a class of deep learning approaches...” | 对比文件明确且唯一地公开了所使用的第一预先训练的分类器是“卷积神经网络（CNN）”。CNN是一种深度神经网络结构，与权利要求中明确限定的“支持向量机器(SVM)、逻辑回归、最接近的邻居、或多层感知器(MLP)”属于不同的、并列的分类器类型。对比文件未提及或暗示使用SVM等特定分类器。因此，该特征未被公开。 |
| **技术特征I**：其特征在于，进一步包括，至少部分地基于对应的标记来将所述多个所存储图像中的图像分类到群中。《未公开》 | 无相关内容。 | 对比文件中的系统输出是性别和年龄的估计值（见段落[0027]图5示例），并未基于这些标记将图像进一步“分类到群中”。目标专利中的“分类到群中”是分群集和文件夹管理流程中的一步，在对比文件中没有对应操作或概念。因此，该特征未被公开。 |
| **技术特征J**：其特征在于，进一步包括，至少部分地基于对应的群来将所述多个所存储图像中的每个图像放置到文件夹中。《未公开》 | 无相关内容。 | 对比文件涉及视频分析系统，其输出是叠加在视频流上的识别信息（如图5），没有任何关于将图像文件“放置到文件夹中”进行管理的描述。这是目标专利特有的图像文件管理功能。因此，该特征未被公开。 |
| **技术特征K**：其特征在于，进一步包括，使用非特定名称来命名所述文件夹。《未公开》 | 无相关内容。 | 由于对比文件未公开“文件夹”这一概念，因此与之相关的“命名文件夹”的特征自然也未被公开。 |
| **技术特征L**：其特征在于，进一步包括，使用第二预先训练的分类器来确定特定文件夹名称。《未公开》 | 无相关内容。 | 对比文件未提及“第二预先训练的分类器”，也未涉及“确定特定文件夹名称”的功能。因此，该特征未被公开。 |
| **技术特征M**：其特征在于，进一步包括，使用所述第二预先训练的分类器、至少部分地基于与相关联的群的标记相关联的群集中心的分类来确定所述特定文件夹名称。《未公开》 | 无相关内容。 | 对比文件未涉及“第二预先训练的分类器”、“群集中心”或“确定文件夹名称”等内容。因此，该特征未被公开。 |
| **技术特征N**：其特征在于，所述特定文件夹名称进一步至少部分地基于关于给定文件夹的所标记图像的多数裁定规则来确定。《未公开》 | 无相关内容。 | 对比文件未涉及“文件夹名称”或“多数裁定规则”等内容。因此，该特征未被公开。 |
| **技术特征O**：其特征在于，进一步包括，接收修改特定文件夹名称或指派新的特定文件夹名称的用户输入。《未公开》 | 无相关内容。 | 对比文件是一个自动视频分析系统，未描述任何与用户交互以修改或指派文件夹名称的界面或功能。因此，该特征未被公开。 |
| **技术特征P**：其特征在于，进一步包括，至少部分地基于群集中心或者至少一个所标记的图像特征向量来重新训练第二预先训练的分类器以包括经修改的特定文件夹名称或所述新的特定文件夹名称。《未公开》 | 无相关内容。 | 对比文件未涉及“第二预先训练的分类器”、“群集中心”、“文件夹名称”或为此目的重新训练分类器的内容。因此，该特征未被公开。 |
| **技术特征Q**：其特征在于，进一步包括，至少部分地基于确定新图像的特征向量和应用所述分类器以确定所述新图像的群来将所述新图像放置在文件夹中。《未公开》 | 无相关内容。 | 对比文件描述了将新图像输入更新后的CNN模型进行性别年龄估计（段落[0020]），但未提及基于此将新图像“放置在文件夹中”。因此，该特征未被公开。 |
| **技术特征R**：其特征在于，进一步包括，接收修改所述所指派的标记的用户输入。《未公开》 | 无相关内容。 | 对比文件中的标记修改是通过模型增量学习自动完成的，没有描述接收用户输入来手动修改图像标记的步骤。因此，该特征未被公开。 |
| **技术特征S**：其特征在于，至少部分地基于将所述图像从第一文件夹移至第二文件夹的用户输入来修改所述所指派的标记。《未公开》 | 无相关内容。 | 对比文件未涉及“文件夹”或用户移动图像文件的操作，因此该特征未被公开。 |
| **技术特征T**：其特征在于，进一步包括，与第二用户共享至少一个分类器或群集中心列表。《未公开》 | 无相关内容。 | 对比文件未涉及与第二用户共享模型或数据列表的功能。因此，该特征未被公开。 |
| **技术特征U**：其特征在于，所共享的群集中心列表与所述第二用户的群集中心列表相组合以创建用于所述第二用户的图像的标记并且更新用于所述第二用户的分类器。《未公开》 | 无相关内容。 | 对比文件未涉及“群集中心列表”、“共享”、“组合列表”或为用户更新分类器的相关内容。因此，该特征未被公开。 |
<<<A>>><<<F>>><<<G>>><<<b>>><<<e>>>